Совершенствование механизмов валютного мониторинга в противодействии транснациональному отмыванию денежных средств с использованием криптовалют

Введение

Валютный мониторинг в системе противодействия легализации преступных доходов представляет собой совокупность мер по выявлению, анализу и оценке валютных операций, способных свидетельствовать о рисках транснационального отмывания денежных средств. Его назначение состоит в обеспечении прозрачности трансграничных финансовых потоков, выявлении подозрительных схем и информационном обеспечении деятельности уполномоченных органов. При этом валютный мониторинг соотносится с валютным контролем и валютным регулированием, но не тождественен им по целям, субъектному составу и методам реализации.

Актуальность темы исследования обусловлена ростом рисков использования трансграничных валютных операций для легализации преступных доходов. В условиях цифровизации финансовых услуг, усложнения внешнеэкономических расчетов и использования многоэтапных международных схем возрастает значение инструментов, позволяющих своевременно выявлять подозрительные валютные потоки. В этой связи валютный мониторинг приобретает особую значимость как инструмент противодействия отмыванию денежных средств и финансированию терроризма (ПОД/ФТ) обеспечивающий аналитическое сопровождение выявления и пресечения незаконных финансовых операций с валютой. Традиционные методы финансового контроля недостаточно эффективны в противодействии легализации криптовалют. Потому важен анализ паттернов трансграничных транзакций и использования для борьбы с ними ИИ-алгоритмов, которые способны более точно определить подозрительные действия.

В научной литературе исследования в области валютного регулирования и контроля, а также вопросов валютной политики и международных финансовых потоков, проводились О.В. Никулиной и Л.С. Карминской [13]. Изучением отмывания денежных средств через электронные платежные системы и с применением криптовалют занимались такие авторы, как В.И. Карагодина [6], А.А. Рясов и А.В. Пономарева [20], а также С.Р. Раджабова, А.Д. Усачева и К.И. Дюк [19]. Вопрос позодрительных финансовых операций в своей работе раскрыла Л.П. Королева [7]. В соавторстве с Д.С. Астаховым и А.И. Гучмазовым исследователь определила проблемы и перспективы трансграничных переводов в условиях санкций, применяемых в отношении России [8]. Нормативное регулирование в системе валютного мониторинга на национальном и международном уровне, в частности, в отношении цифровых активов изучили С.В. Лемайкина [10], М.С. Сюпова и Д.Е. Шапилова [22], Ч.С. Зассеев [4]. Исследовательскую деятельность, связанную с перспективами применения кластеризации методом К-средних, провели И.А. Кубасов и А.В. Кирюхин [9].

Существует масса научных исследований в области борьбы с отмыванием денег, регулированию цифровых валют, а также использованию технологий ИИ в финансовом мониторинге. Однако остается пробел в понимании того, каким образом система валютного мониторинга может выявлять международные цепочки легализации средств через криптовалюты. В большей части научные работы опираются на анализ правовых аспектов цифровых финансовых активов (ЦФА), либо отдельных методов финансового мониторинга, например блокчейна. Отдельно следует отметить недостаточную изученность инструментов валютного мониторинга, в частности, с использованием искусственного интеллекта для диагностики данных с целью обнаружить основные паттерны трансграничных криптовалютных операций, совершаемых с преступным умыслом. Отсутствует также единая система индикаторов подозрительных транзакций с применением криптовалют, которая бы существенно посодействовала работе компетентных органов в сфере валютного мониторинга.

Целью данного исследования является определение направлений совершенствования механизмов валютного мониторинга в противодействии транснациональному отмыванию денежных средств с использованием криптовалют.

Авторская гипотеза основывается на том, что уровень качества работы валютного мониторинга при обнаружении трансграничных схем отмывания средств может быть повышен путем введения ИИ-технологий, таких как метод кластеризации и графовый анализ. Предполагается, что такие современные способы могут помочь определить все факторы риска легализации преступных денег, в том числе те, которые остаются незамеченными в связи с использованием существующих механизмов контроля.

Научная новизна заключается в том, что будут систематизированы типичные схемы отмывания денежных средств через трансграничные криптовалютные транзакции и на их основе определены индикаторы риска для валютного мониторинга. На основе изучения методологии кластеризации и графового анализа предложены меры для совершенствования валютного контроля.

Методологическая основа исследования включает общенаучные и специальные методы познания, включая анализ и синтез, сравнительно-правовой метод, формально-юридический метод, системный подход, а также метод изучения научной литературы и нормативных материалов по вопросам противодействия транснациональному отмыванию денежных средств с использованием криптовалют.

Важным эмпирическим основанием настоящего исследования выступили выявленные авторами паттерны основных трансграничных валютных транзакций, совершаемых с целью ОД, а также оценки их индикаторов определения. Комплексное исследование позволило также определить направления для применения ИИ-технологий в отношении полученного перечня паттернов.

Основная часть

Для благополучной работы экономической системы любого государства необходим государственный контроль, осуществляющий проверки и надзор в отношении субъектов публичного уровня. Валютный мониторинг является одним из видов такого контроля, который служит инструментом для обеспечения эффективности проводимой финансовой политики.

Под валютным мониторингом целесообразно понимать систему организационных, аналитических и контрольных мер, направленных на наблюдение за валютными операциями, выявление признаков их незаконного характера и предупреждение использования трансграничных расчетов в целях легализации преступных доходов. Реализация этих мер обеспечивается уполномоченными государственными органами и агентами валютного контроля в пределах их компетенции.

Важнейшей функцией управления, которая обеспечивает проверку всех этапов исполнения работы – от решения до достижения результата – является контроль. В учебном пособии Ф.Г. Тотчиева валютный контроль трактуется как ключевой элемент общей системы финансового надзора, определяющим стабильность валютного курса и денежного обращения, уровень золотовалютных резервов, внешнеэкономический и инвестиционный потенциал государства [25]. Тотчиев также определяет цель валютного контроля – обеспечить исполнение валютного законодательства при проведении валютных операций.

Валютный мониторинг следует отличать от валютного регулирования и валютного контроля. Если валютное регулирование устанавливает правила осуществления валютных операций, а валютный контроль обеспечивает проверку их соблюдения, то валютный мониторинг ориентирован на сбор, сопоставление и анализ информации о валютных операциях в целях выявления рисков и подозрительных схем. Именно такое разграничение позволяет определить его самостоятельное значение в системе ПОД/ФТ.

В.Б. Мантусов определяет валютное регулирование как комплекс мер, направленных на обеспечение стабильного курса национальной валюты, устойчивого состояния платежного баланса государства, реализуемых органами валютного регулирования [24].

С развитием технологий за последние годы криптовалюты стали активно использоваться в мошеннических схемах, включая транснациональные переводы. Подобные операции усложняют финансовый мониторинг. Отмечается также тенденция роста экономических преступлений, связанных с криптовалютными активами трансграничного характера.

По данным аналитической платформы мониторинга блокчейн-транзакций Chainalysis за 2025 год, объем средств, направленных на криптокошельки, превысил $154 миллиарда [18]. Показатель вырос на 162% по сравнению с предыдущим годом.

Аналитики платформы утверждают, что такой рост связан с выраженной санкционной деятельностью на уровне стран. В отчете также сказано, что за прошедший год увеличился объем нелегальных цифровых активов на 694%. Стоит отметить, что в РФ ущерб от хищения средств хакерами составил $93,3 миллиарда [15]. По оценкам Chainalysis, причиной этого стали операции рублевыми стейбкоинами, которые направлены на обход международных запретов [18]. Исходя из вышесказанного, можно сделать вывод, что проблема трансграничных криптопреступлениях остается глобальной, потому исследование паттернов трансграничных транзакций с криптовалютами необходимо для валютного мониторинга с целью обеспечения финансовой безопасности страны.

Согласно отчету Банка России [21], общий объем операций в первом полугодии 2025 года составил 32 миллиарда рублей, что на 12% меньше, чем в первом полугодии 2024 года. Основной причиной стало 15% сокращение объема подозрительных операций по обналичиванию, который теперь составляет 23,6 миллиарда рублей. ЦБ отметил, что объем подозрительных операций по выводу средств за рубеж остался на уровне 8,5 млрд рублей, что является минимальным показателем за весь период мониторинга. Основным инструментом для таких операций, как и ранее, служили авансовые платежи за импорт – 43%. Данные приведены в виде диаграмм:

Рис. 2. Вывод денежных средств за рубеж в денежном и процентном соотношении [21]

Цифровые валюты применяются в различных видах преступной деятельности, в том числе в мошенничестве, в отмывании денежных средств, в краже денег с кошельков и в уклонении от уплаты налогов. Рассмотрим таблицу основных преступлений с использованием криптовалют, их квалификацию и меры наказания в соответствии с Уголовным Кодексом РФ [23].

Таблица 1. Основные преступления, при совершении которых могут использоваться криптовалюты, их квалификация и меры наказания [23]

Приведенные данные показывают, что в российском законодательстве четко прописаны различные формы проявления криптопрестулений и применяемые к ним санкции. Для полного понимания исследуемой проблемы необходимо определить механизмы, используемые для совершения операций с криптовалютами:

1. Сервисы смешивания (анонимизации) транзакций. Преступники используют специальные сервисы и кошельки (Tornado Cash, CoinJoin и др.), которые «перемешивают» цифровые валюты разных пользователей, таким образом связь между отправителем и получателем транзакции разрывается. Принцип заключается в том, что человек вносит нелегальную крипту в данный сервис и получает ту же сумму, но уже из «общего» бюджета.

2. Приватные монеты. Это криптовалюты, которые имеют анонимный характер (Zcash, Monero), то есть адрес и сумма перевода намеренно скрыты [26].

3. Дробление средств. Это способ, при котором деньги распределяются по одноразовым кошелькам и карт-«дропам», с целью препятствования отслеживания финансовых операций. Такие схемы имеют многоуровневый вид: средства переводятся в криптовалюту через платформы прямого обмена между клиентами, а крупные суммы дробятся на множество малых с разными адресами, некоторые осуществляются через стейблкоины, затем конвертируются обратно в фиат в зарубежных ведомствах. При этом, каждый этап скрыт.

4. Сервисы прямого обмена между пользователями. Площадки по типу LocalBitcoins предоставляют обмен цифровой валюты на фиатные деньги напрямую.

5. Децентрализованные биржи. Биржи (Uniswap), на которых возможен обмен валюты без регистрации и ограничений.

6. Фиктивные компании. Мошенники открывают подставные фирмы с целью отмывания денег. Процесс следующий: средства перечисляются на фиктивные счета для видимости дохода компании [17].

Далее рассмотрим паттерны трансграничных транзакций с криптовалютами:

Быстрая конвертация традиционных денежных средств в криптовалюту с последующим выводом за рубеж. Индикаторами могут служить: короткие интервалы между зачислением и конвертацией, большой объем конвертации относительно постоянного оборота клиента, мгновенный перевод криптовалюты на иностранный счет. Для выявления подозрительной операции банку необходимо получить данные о времени и суммах финансовых операций, информацию о кошельках криптобирж, в том числе географию, и сведения о клиенте. Если подозрения обоснованы, то такую транзакцию нужно незамедлительно приостановить и уведомить Росфинмониторинг, запросить у клиента документы, которые подтвердят происхождение средств и цель соответствующей операции, а также проанализировать цепочку транзакции, при обнаружении незаконности – заблокировать карту.

Многоступенчатое перемещение криптовалюты через цепочку кошельков. Последовательные переводы в больших объемах между разными кошельками или пересылка на анонимные адреса и короткая периодичность транзакций могут определять операцию как подозрительную. Для определения нужно иметь данные о переводах и об электронных идентификаторах клиентов. При обнаружении этих индикаторов следует выявить схему перевода денег, провести анализ при подозрении ОД, а при подтверждении преступного характера организовать проверку соответствующими органами.

Дробление криптовалютных переводов и распределение по множеству получателей. Подозрительным является серия мелких операций на множество кошельков за короткий промежуток времени, размер ниже среднего оборота клиента. Чтобы обнаружить следы преступности, надо изучить отчеты банка о транзакциях, количестве и сумме платежей и их назначения и получателей. При обнаружении срабатывают системы мониторинга по типовым признакам и приостанавливают операции, запрашивают данные, а в случае подтверждения – ограничивают обслуживание и в дальнейшем блокируют счет.

Консолидация средств после дробления и последующий вывод в традиционные деньги. Если на один криптокошелек поступают средства из множества адресов, при этом переводы незначительного объема и далее они конвертируются в фиат, то необходимо запросить информацию о входящих транзакциях и о связи кошельков с клиентом и его банковским счетом. При определении преступной деятельности следует усилить проверку происхождения сумм, а при отсутствии обоснований клиента и распознании нарушений – блокировка и уведомление Росфинмониторинга.

Использование сервисов анонимизации транзакций. Индикаторами мошеннического следа могут быть адреса-анонимайзеры для разрыва связи между входящими и исходящими и сокрытие цепочки операции. Чтобы их установить, требуется изучить список данных платформ анонимизации и статистику операций. При выявлении следует оценить легитимность операции ­– сообщить в Росфинмониторинг и запретить дальнейшие транзакции.

Использование иностранных площадок обмена и вывода средств. Главным индикатором может быть задействование зарубежных криптобирж, которые не имеют лицензии и присутствия в РФ, и нерегулируемых иностранных сервисов. Для мониторинга нужно получить информацию о статусе биржи, о банковских реквизитах платежных получателей и их связи с клиентом и об истории операций с зарубежными платформами. При установлении попытки ОД необходимо проверить финансовую деятельность в соответствии с законом о валютном регулировании, усилить контроль над переводами, в крайнем случае – отказать в операции и осведомить уполномоченные органы.

Использование реквизитов третьих лиц при вводе или выводе средств. Основным показателем является внедрение третьего лица в качестве плательщика или получателя, несовпадение реквизитов и ввод чужих данных. При сопоставлении идентификаторов на банковском счете и в документах клиента и выявлении несовпадений производится тщательная проверка подлинности личности владельцев счета через запрос личных сведений, блокировка при обнаружении подставных лиц и передача информации в Росфинмониторинг [11].

Согласно памятке Организации Объединенных Наций [16], отмывание денег через криптовалюты следует классической трехэтапной схеме (размещение, лееринг, интеграция), но существуют некоторые отличия:

1. Криптовалюты изначально анонимны, поэтому этап размещения часто скрыт.

2. Создание цифровых кошельков или происходит мгновенно и бесплатно, а использование возможно дважды – для получения и для последующего вывода средств.

3. Низкая стоимость транзакции и возможность автоматизации через скрипты позволяет создавать крупные схемы отмывания с тысячами переводов.

4. Резкие скачки курсов криптовалют упрощают легализацию внезапно полученных доходов.

С целью противодействия этим рискам Управление ООН по наркотикам и преступности (УНП ООН) инициировало проект по борьбе с отмыванием средств в сфере криптовалют.

Стоит также обратиться к типологическому проекту Евразийской группы по ПОД/ФТ (ЕАГ) [12], в котором отмечается, что в рамках межведомственного взаимодействия по вопросам, затрагивающим сферу противодействия незаконному использованию виртуальных активов, выделяются следующие особенности, затрудняющие идентификацию фигурантов финансовых расследований:

1. Использование приватных/анонимных виртуальных активов.

2. В случае идентификации используемого фигурантом провайдера услуг виртуальных активов (ПУВА) запрос осуществляется исключительно через подразделение финансовой разведки (ПФР) страны, где зарегистрирован ПУВА. Вместе с тем отмечаем отсутствие ответов некоторых ПФР на запросы.

3. При проведении финансовых расследований возникают сложности, связанные с выявлением юридических адресов криптовалютных бирж/обменников, что затрудняет процесс направления запроса.

4. Возможности анонимизации, использование миксеров.

5. Ряд криптовалютных бирж/обменников не предоставляет сведения в отношении клиентов, которые не являются гражданами запрашивающего государства. Нередкими становятся случаи, когда учетная запись криптовалютной биржи/обменника регистрируется на иностранного гражданина для создания препятствий в выявлении настоящих держателей виртуальных активов.

6. Получение от операторов соответствующих криптовалютных бирж установочных данных клиентов биржи, сведений о банковских картах и счетах, использующихся для купли-продажи криптовалюты за фиатные деньги и т.д. возможно лишь в случае, когда действие местного законодательства о ПОД/ФТ распространяется на лиц, оказывающих услуги криптовалютных бирж.

7. Не все иностранные криптовалютные биржи/обменники отвечают на запросы правоохранительных органов. Необходимость направления запросов по линии международно-правового сотрудничества, что негативно влияет на сроки получения запрашиваемой информации.

8. В ходе взаимодействия с сервисами по обмену криптовалют возникают проблемы, связанные с получением информации или отсутствием полных сведений о владельцах кошельков и совершаемых ими операциях, поскольку большинство криптобирж и обменников расположены за пределами территории Российской Федерации.

Таким образом, выявление и классификация паттернов трансграничных транзакций с криптовалютами позволило определить характер нелегальных схем, связанных с цифровыми валютами. Проведенные исследование показывает, что необходим системный подход к определению и пресечению криптопреступлений. Анализ мошеннических операций помогает установить индикаторы для систем валютного мониторинга, которые в дальнейшем смогут эффективнее реагировать на сигналы и минимизировать риски отмывания денег с использованием криптовалюты.

Эффективная борьба с многоуровневыми трансграничными схемами отмывания денег требует новых подходов и способов решения это проблемы, так как традиционный мониторинг не справляется преступлениями, связанными с дроблением сумм и сложными маршрутами транзакций. Способности ИИ-технологий с использованием методов кластеризации и графовому анализу больших данных может стать ключевым решением для выявления этих скрытых сетей и раскрытия преступных финансовых потоков. Исследование цепочек транзакций и применение графового анализа позволяют выявлять изощренные схемы, в том числе те, что связаны с отмыванием денег через торговые операции. Кластеризация транзакций, направленная на обнаружение характерных паттернов, в сочетании с графовым анализом потоков средств, демонстрирует связи между легальными группами компаний и их теневыми партнерами.

Применение искусственного интеллекта стало повсеместным, в том числе в экономической сфере. С одной стороны, инновации улучшают производительность и открывают доступ к финансовым платформам, с другой стороны, они открывают новые пути к совершению преступной деятельности, связанной с отмыванием денег и финансированием терроризма.

На сегодняшний день ИИ-технологии применяются в финансовом мониторинге. Согласно отчету ФАТФ [1], широкое использование новых технологий надзорными органами может способствовать повышению эффективности системы ПОД/ФТ за счет расширения возможностей надзорных органов. Рассмотрим основные преимущества на рисунке ниже.

Рис. 3. Основные преимущества использования новых технологий [1]

Наибольший эффект от применения искусственного интеллекта отражается на системе ПОД/ФТ. Специалисты выделяют следующие возможности:

- Осуществлять надзор за большим количеством учреждений;

- Лучше выявлять и понимать риски, связанные с отдельными учреждениями различных секторов;

- В режиме реального времени осуществлять мониторинг соблюдения стандартов ПОД/ФТ и принимать меры в случае их несоблюдения;

- Более эффективно взаимодействовать с подотчетными ведомствами и выполнять запросы о дополнительной информации;

- Хранить, обрабатывать более объемные наборы надзорных данных и направлять сообщения о них;

- Обмениваться информацией с другими компетентными органами.

ИИ-алгоритмы активно задействованы компетентными органами с целью борьбы с финансовыми преступлениями, поскольку их автоматизированный подход к работе позволят пересчитывать риски по множеству факторов и сценариев. Выделим основные направления, которые уже развиваются и применяются для ПОД/ФТ:

1. Системы на основе нейросетей проходят обучение для обнаружения стандартных паттернов в операциях, коммуникациях и изменениях личных данных клиента. Поэтому любые отклонения от установленных норм определяются как потенциально подозрительные.

2. Графовые нейронные сети выявляют сложные мошеннические схемы, в которых множество взаимосвязанных элементов. Они объединяют все разрозненные данные в единую графовую структуру, и это помогает алгоритмам обнаруживать скрытую преступную активность.

3. Круглосуточный мониторинг дает возможность мгновенного анализа полученных данных и предупреждения риска мошеннической операции с минимальным ущербом.

4. Сотрудничество государственных органов со всеми компетентными ведомствами разных уровней (компании, банки, операторы мобильной связи) дает наибольший прогресс в противодействии ОД [5].

Особое внимание стоит уделить кластеризации и анализу графов транзакций. Кластерный анализ – это статистический инструмент для работы с многомерными данными. Он помогает собирать информацию из набора объектов и затем упорядочивает их, формируя группы, где элементы внутри каждой группы максимально похожи друг на друга [2] (операций, клиентов, счетов, контрагентов). Он позволяет выявлять паттерны поведения и аномальные группы.

Методы кластеризации, такие как K-средних и плотностной алгоритм кластеризации, позволяют объединять транзакции и счета в группы на основе общих характеристик (местоположение, сумма, частота, тип клиента и т.д.). Это помогает выявлять подозрительные скопления, которые сложно заметить при индивидуальном рассмотрении. Машинное обучение, обрабатывая группы операций, а не каждую в отдельности, может создавать так называемые «кластеры рисков» – подгруппа данных, где все элементы в пределах одного кластера схожи. Такой подход делает систему более устойчивой к неточным данным и уменьшает необходимость в ручной проверке. Кластерный анализ может выявить переводы, связанные с офшорными торговыми схемами (отмывание денег через торговлю), и обнаружить связи между компаниями и теневыми партнерами [9].

Графовый анализ в системе ПОД/ФТ помогает понять, как средства движутся по сложным сетям. Это делает неявные взаимосвязи видимыми и доступными для исследования, преобразовывает скрытые паттерны поведения (структурирование транзакций, многоуровневые схемы) из разнородных действий в узнаваемые. Графовая аналитика фиксирует закономерности, которые не может учесть традиционный мониторинг, так как она отслеживает каждый этап финансовой операции [3].

Применение кластеризации и графового анализа к данным валютного мониторинга имеет важную роль. К таким данным относятся: информация о внешнеэкономических контрактах и платежах, цепочки переводов через нерезидентов, конверсионные операции, сопоставление платежей с товарным потоком, то есть таможенные данные, для торговых схем. Все эти сведения позволяют определить конкретные схемы ОД через внешнеэкономические операции. Рассмотрим использование алгоритмов кластеризации и анализа графов на каждом примере отдельно:

1. Анализ внешнеэкономических контрактов и платежей. Кластеризация используется для выделения групп контрактов и платежей по следующим критериям: код вида транзакции, юрисдикция контрагентов, сумма и периодичность переводов, назначение платежа, сроки между заключением контракта и выплатами. Если в одном кластере определены операции, которые отличаются от типичных характером действий, то его можно рассматривать как «имеющий повышенный риск». Используемые методы показывают, по каким конкретно признакам операции можно считать подозрительными. В соответствии с Инструкцией ЦБ № 181-И [14] банки имеют все данные для проведения анализа.

2. Выявление цепочек переводов через нерезидентов. Графовый анализ предоставляет все платежи в виде сети, в которой выделяются резиденты, нерезиденты, их счета, банки, в которых они обслуживаются, а также переводы и иные расчетные действия. То есть, такой метод показывает не отдельный перевод, а схему движения средств. И при изучении данного маршрута можно установить подозрительные паттерны и исключить риск легализации денег.

3. Исследование конверсионных операций. Здесь рассматривается этап между поступлением средств и последующим финансовым процессом. Применяемым методам задают признаки, которые могут быть сомнительными: цикличная конверсия, отсутствие экономической связи между валютой контракта и расчетов, минимальная периодичность множества конверсионных операций, использование одной последовательности. Кластеризация выделяет группы, которым свойственен такая модель действия, а графовый анализ показывает конверсию внутри процесса финансовой операции. Следовательно, алгоритмы отделяют обычные транзакции от подозрительных.

4. Сопоставление платежей с товарным потоком. Алгоритм кластеризации использует следующие данные: сведения о контракте и платежах, о сроках и суммах исполнения обязательств и о таможенных декларациях на товары и статистике внешней торговли. Если замечены существенные разногласия с условиями контракта, то такая операция подлежит тщательной проверке. Любое несоответствие, которое формируется в сравнении декларации с полученными данными, также является риском и относится к сомнительной операции.

Таким образом, применение различных ИИ-технологий, в том числе кластерных методов и графового анализа, в системах валютного мониторинга существенно улучшает способность к выявлению трансграничных многоуровневых схем отмывания денег. Проведенное исследование показывает, что данные подходы эффективно обнаруживают схемы, которые остаются незамеченными при использовании традиционных фильтров и экспертных правил, тем самым повышая точность и качество мониторинга.

Системы искусственного интеллекта определяют, насколько рискованны финансовые операции, изучая различные характеристики. Когда речь идет о запутанных, многоэтапных и международных схемах отмывания денег, главными критериями могут быть:

Многоуровневые, международные транзакции через многочисленные, особенно новые или «дроп-аккаунты», указывают на высокую структурную сложность и являются типичным индикатором «наслоения» нелегальных средств.

Регулярные денежные переводы через посредников из юрисдикций с высоким уровнем риска (офшоров, стран с недостаточной прозрачностью) говорят о повышенной вероятности мошенничества или отмывания денег. Графовый анализ выявляет такие скрытые связи и подсвечивает повышенную угрозу для дальнейшей работы уполномоченных органов.

Крупные суммы или частые валютные операции, выходящие за рамки обычной бизнес-деятельности клиента (импорт/экспорт, конвертация валют), уведомляют об аномалии. ИИ сравнивает текущие переводы с историей транзакций клиента и определяет существенные отклонения.

Необоснованные изменения в объёмах валютных операций, например, резкий рост или колебания, сигнализируют о риске. Сложные схемы могут скрывать незаконный вывод средств.

Дробление больших сумм на мелкие переводы является критерием подозрительной операции. Кластеризация идентифицирует это как кластер мелких действий с одинаковым промежутком времени и теми же участниками.

Появление новых отправителей и получателей в финансовой цепочке указывает на многоуровневую структуру, которую обнаруживает графовый анализ и начинает обработку.

Таким образом, применение данных подходов в валютном мониторинге помогает точнее находить подозрительные операции. Сочетание вышеперечисленных критериев позволяет ИИ-системам точно определить общий уровень риска.

Заключение

В результате исследования определено, что использование криптовалют в транснациональных денежных операциях характеризуется сложностями при выявлении и предупреждении незаконных действий. Проведенный анализ позволил установить, что современные паттерны отмывания денег представляют собой сложный многоступенчатый процесс, в котором задействованы: сервисы анонимизации и смешивания, дробление переводов, иностранные платформы и т.д.. Паттерны финансовых операций, которые были выделены в исследовании, и их индикаторы показывают системность признаков, которая в дальнейшем поспособствует результативному валютному мониторингу.

Изучение инструментов валютного мониторинга указало на то, что классические методы не соответствуют современным условиям преступности в экономической сфере. Потому необходимо внедрение новых технологий, в частности, с использованием искусственного интеллекта. Применение таких алгоритмов, как кластеризация и графовый анализ, существенно повышают уровень оценки рисков и снижают пробелы в проверках данных на подозрительные операции.

Таким образом, система валютного мониторинга должна совершенствоваться при помощи современных аналитических средств, которые расширяют возможности определения сложных многогранных схем. Реализация данных векторов развития позволит соответствующим надзорным органам повысить качество работы в процессе ПОД/ФТ.